Penerapan Algoritma K-Means Clustering untuk Segmentasi Pelanggan Berdasarkan Model RFM Pada Resik Aquatics

Penerapan Algoritma K-Means Clustering untuk Segmentasi Pelanggan Berdasarkan Model RFM Pada Resik Aquatics

Penulis

  • Muhammad Devan Ryandra Universitas Brawijaya
  • Nanang Yudi Setiawan Fakultas Ilmu Komputer, Universitas Brawijaya
  • Niken Hendrakusma Wardani Fakultas Ilmu Komputer, Universitas Brawijaya

Kata Kunci:

Ikan Hias, Segmentasi Pelanggan, K-Means, Root Cause Analysis

Abstrak

Perkembangan teknologi telah berdampak pada pertumbuhan perekonomian Indonesia pada sektor ikan hias. Hal tersebut menyebabkan persaingan bisnis ikan hias terus meningkat. Persaingan tersebut berdampak juga kepada Resik Aquatics yang merupakan salah satu pembudidaya ikan hias. Saat ini, Resik Aquatics belum pernah menerapkan strategi Customer Relationship Management (CRM) untuk meningkatkan minat beli pelanggan dan loyalitas pelanggan. Penelitian ini menggunakan data transaksi
pelanggan Resik Aquatics dari Juli 2023 hingga Maret 2024 atau sebanyak 8 bulan, yang terdiri dari 178 transaksi dan 239 baris data pada berkas excel. Data ini diolah menggunakan model RFM (Recency, Frequency, Monetary) untuk mengidentifikasi karakteristik pelanggan. Setelah karakteristik pelanggan terbentuk akan dilakukan proses segmentasi dengan menggunakan metode K-Means. Proses segmentasi dilakukan dengan mencari nilai k yang optimal dengan elbow method dan silhoutte socre. Hasil dari kedua metode tersebut menujukkan bahwa k optimal sebesar 2. Hasil pengujian evaluasi clustering dengan menggunakan Davies-Bloudin Index mendapatkan nilai sebesar 0.92, nilai tersebut termasuk nilai yang baik karena nilainya kecil dan mendekati 0 atau kurang dari 1. Hasil segmentasi akan digunakan untuk mencari akar permsalahan dengan menggunakan metode root cause analysis (RCA).
Proses identifikasi permasalahan dilakukan dengan cara mengambil sampel klaster pelanggan dari setiap klaster dan diteliti berdasarkan profil RFM-nya. Akar permasalaan yang telah didentifikasi akan dikelompokkan berdasarkan kategori produk, pelanggan, dan fasilitas. Kategori tersebut mencerminkan permsalahan yang menyebabkan tingginya nilai recency, rendahnya nilai frequency, dan rendahnya nilai monetary. Permasalahan yang teridentifikasi berasal dari dua faktor utama yaitu internal seperti promosi yang kurang diminati dan eksternal seperti munculnya pembudidaya lain sebagai pesaing bisnis. Hasil pengelompokkan permasalahan dari proses RCA akan divalidasi oleh stakeholder. 

Referensi

Adiana, Beta Estri, Indah Soesanti, dan Adhistya

Erna Permanasari. 2018. “Analisis

Segmentasi Pelanggan Menggunakan

Kombinasi RFM Model dan Teknik

Clustering.” JUTEI 2 (1): 23–32.

https://doi.org/10.21460/jutei.2017.21.76.

Ariati, Ira, Reza Nugraha Norsa, Lurinjani

Akhsan, dan Jerry Heikal. 2023.

“SEGMENTASI PELANGGAN

MENGGUNAKAN K-MEANS

CLUSTERING STUDI KASUS

PELANGGAN UHT MILK

GREENFIELD.” Jurnal Ilmiah Indonesia

(7): 629–43.

https://doi.org/10.36418/cerdika.xxx.

Bholowalia, Purnima, dan Arvind Kumar. 2014.

“EBK-Means: A Clustering Technique

based on Elbow Method and K-Means in

WSN.” International Journal of Computer

Applications 105 (9): 975–8887.

Febrina Wulandari, Gita. 2014. “SEGMENTASI

PELANGGAN MENGGUNAKAN

ALGORITMA K-MEANS UNTUK

CUSTOMER RELATIONSHIP

MANAGEMENT (CRM) PADA HIJAB

MIULAN.”

Juni Arta, I Kadek, Gede Indrawan, dan Gede

Rasben Dantes. 2017. “Data Mining

Rekomendasi Calon Mahasiswa

Berprestasi Di Stmik Denpasar

Menggunakan Metode Technique for

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Fakultas Ilmu Komputer, Universitas Brawijaya

Others Reference By Similarity To Ideal

Solution.” JST (Jurnal Sains dan

Teknologi) 5 (2): 746

–60.

https://doi.org/10.23887/jst

-

undiksha.v5i2.8549.

Khoirunnisa, Azka, dan Nur Ghaniaviyanto

Ramadhan. 2023. “Improving malaria

prediction with ensemble learning and

robust scaler: An integrated approach for

enhanced accuracy.” Jurnal Infotel 15 (4):

–34.

https://doi.org/10.20895/infotel.v15i4.105

KKP WEB DJPB. 2021. “KKP : BUDIDAYA

IKAN HIAS TINGKATKAN

PENDAPATAN MASYARAKAT DI

TENGAH PANDEMI.” Kementrian

Kelautan dan Perikanan Republik

Indonesia. 2021.

https://kkp.go.id/news/news

-detail/kkp

-

budidaya

-ikan

-hias

-tingkatkan

-

pendapatan

-masyarakat

-di

-tengah

-

pandemi65c300b322d1c.html.

Lee, Yong Jick. 2014. “Privacy

-preserving Data

Mining for Personalized Marketing” 4 (1): 1–9.

Muhammad Fajar, Alith. 2015. “Klasterisasi

Proses Seleksi Pemain Menggunakan

Algoritma

K-Means (Study Kasus : Tim

Hockey Kabupaten Kendal).” Jurusan

Teknik Informatika FIK UDINUS 1 (1): 1

http://eprints.dinus.ac.id/id/eprint/16498.

Rahmawati, Dian, Rimadewi Suprihardjo, Eko

Budi Santoso, Rulli P Setiawan, Karina

Pradinie, dan Mochamad Yusuf. 2016.

“Penerapan Metode Rootcause Analysis

(RCA) dalam Penerapan Metode

Rootcause Analysis (RCA) dalam

Pengembangan Kawasan Wisata Cagar

Budaya Kampung Kemasan, Gresik.”

Jurnal Penataan Ruang 11 (1): 1

–9.

Rousseeuw, Peter J. 1987. “Silhouettes: A

graphical aid to the interpretation and

validation of cluster analysis.” Journal of

Computational and Applied Mathematics

: 53

–65.

https://doi.org/https://doi.org/10.1016/037 7-0427(87)90125-7.

Unduhan

Diterbitkan

10 Jan 2025

Cara Mengutip

Ryandra, M., Setiawan, N. Y., & Niken Hendrakusma Wardani. (2025). Penerapan Algoritma K-Means Clustering untuk Segmentasi Pelanggan Berdasarkan Model RFM Pada Resik Aquatics. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(2). Diambil dari https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/14496

Terbitan

Bagian

Artikel
Loading...